Arc Lab.'s Blog

[업데이트 2018.08.30 16:26] Wishbeen에서 두번째로 여행기 등록했던 도쿄 여행기. 상세일정보기: https://www.wishbeen.co.kr/plan/dcf397732cc068a5?ifId=1f702b3a7f84c88d

[업데이트 2018.08.30 16:24] Wishbeen이란 여행기 작성 앱을 통해 여행 작가 등록 후 처음으로 개재한 제주도 여행기. 상세일정보기: https://www.wishbeen.co.kr/plan/2209b2a3914b6a22?ifId=1f702b3a7f84c88d

[업데이트 2018.08.29 10:33] 열일곱번째 요약할 논문은 "Perceptual Generative Adversarial Networks for Small Object Detection" (https://arxiv.org/pdf/1706.05274v2.pdf) 입니다. 본 논문은 해상도가 낮고, 노이즈가 심한 사물의 경우 detection이 어려운데, 논문에서 제안한 Perceptual GAN을 통해 small object에 대해 "super-resolved" 과정을 거쳐 최종적으로 이미지 인식률을 높이는 방법을 제안하고 있습니다. (Figure 1) 기존의 Fast R-CNN, Faster R-CNN과 같은 object detection deep learning pipeline의 경우 고해상도..

[업데이트 2018.07.14 19:36] 열여섯번째 요약할 논문은 "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks"(https://arxiv.org/pdf/1506.01497.pdf) 입니다. 기존 Fast R-CNN 대비 새롭게 추가된 부분은 아래에서 볼 수 있듯이 RPN(Region Proposal Network) 입니다. RPN의 경우 sliding window 적용후 생성된 intermediate layer에 Fully Convolutional Network(FCN)를 사용하며, 기존의 region proposals를 CNN에 통합하여 shared computation을 통해 성능 향상을 시킬 수 있었..

[업데이트 2018.10.18 19:28] 열다섯번째 요약할 논문은 "Fast R-CNN"(https://arxiv.org/pdf/1504.08083.pdf) 입니다. 본 논문은 기존의 R-CNN이 가진 Speed Bottleneck을 개선한 논문입니다. 기존 R-CNN의 경우 아래와 같이 Speed Bottleneck을 가지고 있습니다.

[업데이트 2018.07.11 12:21] 열네번째 요약할 논문은 "A Neural Algorithm of Artistic Style"(https://arxiv.org/pdf/1508.06576.pdf) 입니다. 본 논문은 deep neural network를 이용하여 입력으로 주어진 content image와 style image를 통해 generated image를 생성하는 방법을 제안하고 있습니다. 즉, 윤곽, 형태는 content image와 유사하게 만들면서, 텍스쳐나 스타일은 style image와 유사하게 조합하는 것을 의미합니다. 아래의 그림에서 볼 수 있듯이 content image와 style image가 적절히 조합되어 최종적으로 generated image를 만들게 됩니다. 또한 아..

[업데이트 2018.08.09 10:53] 열세번째 요약할 논문은 "Generative Adversarial Nets"(http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf) 입니다. 페이스북 인공지능 연구팀의 리더이자 딥러닝 석학인 얀 르쿤(Yann LeCun) 교수는 최근 10년간 머신러닝 분야에서 가장 혁신적인 아이디어라고 이야기했다고 합니다. 2014년 발행된 해당 GAN 논문을 시작으로 최근까지 많은 GAN 논문들이 쏟아지고 있습니다. 대부분의 딥러닝 분야 논문들이 지도학습을 기반으로 연구되었던 것에 반해 GAN은 비지도학습 모델입니다. GAN이후 deep convolutional network가 적용된 DCGAN 등 CNN을 비지도..

[업데이트 2018.07.06 15:28] 열두번째 요약할 논문은 "You Only Look Once: Unified, Real-Time Object Detection"(https://arxiv.org/pdf/1506.02640.pdf) 입니다. YOLO의 새로운 접근 방법의 핵심은 하나의 convolutional neural network 모델에 기존 3가지 단계로 분리되어 있던 Object Detection 과정 통합하여 end-to-end 학습한 것입니다. 아래의 Figure 1. R-CNN의 경우 2.후보 영역 추출과 3.CNN 학습 과정 그리고 4.분류기 모두 별도로 동작하여 성능이 많이 떨어지게 됩니다. 향후 이를 보완한 Fast R-CNN, Faster R-CNN이 나오지만, YOLO의 경우..

[업데이트 2018.06.24 15:30] 열한번째 요약할 논문은 "Selective Search for Object Recognition"(http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) 입니다. 본 논문은 Object Detection에서 입력된 이미지의 후보 영역을 추천할 때 사용 되었던 방법으로 R-CNN 등의 논문들이 탁월한 성능을 보여주면서 주목 받게 되었습니다. Abstract를 보면 2가지 방법을 조합하여 Selective Search를 수행합니다. 1) Segmentation2) Exhaustive Search 1번의 경우는 이미지 구조적 특징(색상, 무늬, 크기, 모양)을 사용하여 후보 영역을 추출하는 것을 말하며, 2번의 ..

[업데이트 2018.07.12 13:32] 열번째 요약할 논문은 "Rich feature hierarchies for accurate object detection and semantic segmentation"(https://arxiv.org/pdf/1311.2524v5.pdf) 입니다. 본 논문은 object detection 분야에서 많이 알려진 R-CNN에 대한 내용입니다. 본 논문에서는 VOC 2012년 가장 좋은 결과 대비 mAP(mean average precision)에 있어서 30% 이상 성능 향상을 시켰음을 보여주고 있습니다. (mAP 53.3% 달성) 또한 OverFeat이라는 CNN에 기반한 sliding-window detector 아키텍쳐와 비교했을 때도 200-class ILS..